Professional Documents
Culture Documents
Agradecimentos Especiais
Introduo
Os navios utilizam ondas eletromagnticas para detectar outros navios. Entretanto para detectar submarinos, temos um problema pois as ondas eletromagnticas sofrem uma grande atenuao quando submersas no mar. Ao invs destas ento, usamos as ondas acsticas que se propagam por uma grande distncia com pouca perda de energia. O sistema que usa a propagao do som em baixo dgua chamado SONAR (SOund NAvigation Ranging).
Introduo
Existem 2 tipos de sonares: o passivo e o ativo. Ambos so compostos de hidrofones que recebem a onda proveniente do alvo. No caso do Sonar Ativo, a onda detectada atravs da reflexo de uma onda emitida pelo prprio. J no caso do Sonar Passivo, este se baseia na deteco e estimao do som propagado pelo prprio alvo, sem nenhuma transmisso de sinal.
Sonar Passivo
Espectro m190.mat
Objetivos
O objetivo deste trabalho melhorar a deteco e a classificao de um contato em uma determinada marcao, que so realizadas atravs das anlises LOFAR, usando como pr-processamento dos sinais algoritmos de separao cega de fontes, que no nosso caso ser a NMF (Fatorao de Matrizes No-Negativas).
Algoritmos Empregados
LOFAR (Low Frequency Analysis and Recording) PCA (Principal Components Analysis) NMF (Non-Negative Matrix Fatoration) NN (Neural Network)
LOFAR
A anlise LOFAR uma anlise espectral de banda que caracteriza a faixa de frequncia do rudo das mquinas do contato.
LOFAR
Fornecida uma direo de interesse, o sinal primeiramente filtrado e multiplicado por uma janela de Hanning. Posteriormente, uma transformada de Fourier (STFFT) e realizada para que seja obtida uma representao do sinal no domnio da frequncia (mdulo do espectro). Ento o sinal normalizado usando o algoritmo TPSW (Two Pass Split Window) com o objetivo de realizar a estimativa do rudo de fundo. Com isto, os picos de frequncia de menor amplitude ficam mais evidentes e ocorre uma remoo de tendncia do sinal, de forma que as amplitudes em todo o espectro sejam normalizadas.
LOFAR
Resultado da Anlise LOFAR no banco m190.
PCA
Principal Components Analysis - Analises das Componentes Principais um procedimento matemtico de compactao. A PCA utiliza a noo de autovalores e autovetores para converter um conjunto de observaes em um conjunto de valores de variveis linearmente descorrelacionadas chamadas componentes principais.
PCA
A PCA feita por decomposio em autovalores de uma matriz de correlao. Ex.: Assim, devido
50 Componentes 30 Componentes 20 Componentes
0%
90%
100%
NMF
Non-negative Matrix Factorization, ou Fatorao de Matrizes no Negativas, tem como objetivo decompor uma matriz de dados X matrizes A eS , onde X AS em um produto de
Uma maneira de estimar as matrizes A e S para realizao da fatorao da matriz X considerar uma medida da similaridade para quantificar a diferena entre a matriz de dados, X e o modelo aproximado = AS. No nosso caso, utilizamos a Distncia Euclidiana: (norma de Frobenius)
NMF
Essa funo nos conduz ao ALS - Alternating Least Square (mnimos quadrados alternativos), que uma abordagem muito utilizada como NMF. Apesar de no ser garantido a convergncia para um mnimo global, o algoritmo vai ao menos para uma soluo onde a funo custo atinge um mnimo local.
Mtodo de Comparao
Resultado 1
Resultado 2
Como Avaliar?
Iremos usar 4 indicadores para avaliarmos um classificador neural: Clculo do SP Histograma de Sadas Curva ROC Matriz de Confuso
Histograma de Sada
Caractersticas de um Classificador
Curva ROC
Curva ROC
Curva ROC
Clculo do SP
Matriz de Confuso
C1 (Alvo) C2 (Alvo)
C1 (Estimado)
Valor %
Valor %
C2 (Estimado)
Valor %
Valor %
Matriz de Confuso
Matriz de Confuso
Comparaes - Ganho
Comparao
SP Eficincia Classe 1 Eficincia Classe 2 Falso Alarme MSE Treino MSE Teste
SEM NMF
86.85% 84.47% 88.41% 14.06% 0.22187 0.41709
COM NMF
99.18% 98.18% 99.94% 1.06% 0.04415 0.12796
Concluso
Pode-se perceber o aumento na capacidade de distino entre as classes na simulao com NMF, como esperado.
Referncias
[1] DETECO E CLASSIFICAO DE SINAIS DE SONAR PASSIVO USANDO MTODOS DE SEPARAO CEGA DE FONTES. MOURA; Natanael Nunes de., 2013. [2] CLASSIFICADORES; MOURA JUNIOR; Natanael Nunes de., 2013.